Serveur MCP désigne un programme qui expose des données ou des actions à une application d’IA selon le Model Context Protocol. En pratique, il permet à Claude, ChatGPT, Cursor ou un agent compatible de découvrir des outils, de lire un contexte autorisé, puis d’appeler une fonction avec un format commun. Pour démarrer, installez un SDK officiel, déclarez vos outils, lancez le serveur en stdio sur votre machine ou en HTTP pour un service distant, puis exigez une validation humaine avant toute action sensible. Ce guide explique l’architecture, le code, le choix du transport, la sécurité et le déploiement. Pour aller plus loin, consultez notre chatbot IA WordPress.

Si vous construisez, utilisez ou évaluez des systèmes IA en 2026, ignorer MCP revient à construire une maison sans comprendre comment fonctionne l’électricité. Ce guide vous explique ce que c’est, pourquoi ça compte, et comment le mettre en œuvre concrètement.

Le problème que MCP résout

Avant MCP, connecter un agent IA à un outil externe (une base de données, une API, un navigateur web, un fichier local) nécessitait une intégration custom pour chaque combinaison modèle/outil. Si vous vouliez que Claude accède à votre Notion, vous écriviez une intégration. Si vous vouliez qu’il accède à votre GitHub, vous en écriviez une autre. Et si vous changiez de modèle IA, vous réécriviez tout.

MCP introduit une couche d’abstraction universelle : un serveur MCP expose des outils (tools), des ressources (resources) et des prompts. N’importe quel client MCP compatible , Claude, GPT-4o, Gemini, ou votre propre agent open source , peut s’y connecter sans réécriture. C’est exactement comme USB-C : un standard, des centaines d’appareils compatibles.

Architecture MCP : les trois composants fondamentaux

MCP repose sur une architecture client-serveur simple mais puissante :

Le serveur MCP expose les capacités : outils (fonctions appelables par l’IA), ressources (données accessibles en lecture), et prompts (templates de requêtes). Le serveur peut être local (un processus sur votre machine) ou distant (une API HTTPS).

Le client MCP est l’application hôte qui pilote l’IA : Claude Desktop, un agent LangChain, une app Next.js avec l’Anthropic SDK. Le client négocie la liste des capacités disponibles et orchestre les appels.

Le modèle IA reçoit la description des outils disponibles dans son contexte et décide, de façon autonome, quand et comment les appeler pour accomplir une tâche.

# Exemple minimaliste : serveur MCP Python exposant un outil de météo
from mcp.server import Server
from mcp.server.models import InitializationOptions
import mcp.types as types

app = Server("meteo-server")

@app.list_tools()
async def handle_list_tools() -> list[types.Tool]:
    return [
        types.Tool(
            name="get_weather",
            description="Retourne la météo actuelle pour une ville donnée",
            inputSchema={
                "type": "object",
                "properties": {
                    "city": {"type": "string", "description": "Nom de la ville"}
                },
                "required": ["city"]
            }
        )
    ]

@app.call_tool()
async def handle_call_tool(name: str, arguments: dict):
    if name == "get_weather":
        city = arguments["city"]
        # Appel API météo ici
        return [{"type": "text", "text": f"Météo à {city} : 22°C, ensoleillé"}]

Pourquoi l’adoption a été aussi rapide

MCP est devenu standard en moins de 18 mois pour plusieurs raisons qui dépassent la qualité technique du protocole. OpenAI a annoncé son support natif dans l’API Assistants en mars 2025, ce qui a rendu toute résistance inutile pour les développeurs qui voulaient rester cross-plateforme. La Linux Foundation a accueilli MCP dans son portfolio en mai 2025, garantissant une gouvernance neutre et pérenne.

Mais la vraie raison de l’adoption massive, c’est la communauté open source. Des milliers de serveurs MCP ont été publiés sur GitHub en quelques mois : accès à Notion, GitHub, Slack, bases de données PostgreSQL et SQLite, navigateurs web, systèmes de fichiers, APIs REST génériques. Un développeur qui veut donner à son agent l’accès à un nouvel outil peut trouver un serveur MCP existant dans 80 % des cas.

MCP vs function calling : la différence fondamentale

Le function calling (ou tool use) que vous connaissez depuis 2023 reste présent. La différence avec MCP est structurelle : le function calling est défini inline dans chaque requête à l’API , vous envoyez la définition de vos outils à chaque appel. MCP externalise cette définition dans un serveur dédié, persistant et réutilisable.

En pratique, pour un agent simple avec 2-3 outils, le function calling reste la solution la plus simple. MCP devient pertinent dès que vous gérez plus de 5 outils, des outils partagés entre plusieurs agents, des ressources à accès contrôlé, ou une architecture multi-modèles où différents LLM doivent accéder aux mêmes capacités.

Les serveurs MCP incontournables en 2026

L’écosystème MCP a mûri rapidement. Voici les serveurs qui ont acquis le statut de standard de facto :

MCP Filesystem : accès sécurisé au système de fichiers local avec des permissions granulaires. Indispensable pour les agents de développement.

MCP Browser Use : pilotage d’un navigateur Chromium depuis un agent IA. L’équivalent de Playwright mais exposé via MCP.

MCP GitHub : lecture/écriture de repos, gestion des issues et PR, revue de code automatisée.

MCP PostgreSQL/SQLite : accès en lecture aux bases de données avec protection contre les requêtes destructives.

MCP Memory : mémoire persistante entre sessions pour les agents long-terme.

Les limites actuelles et les chantiers ouverts

MCP n’est pas parfait. En 2026, plusieurs problèmes restent ouverts. La sécurité est le plus critique : un serveur MCP malveillant peut injecter des instructions dans le contexte de l’IA (prompt injection via MCP). Les meilleures pratiques de validation et de sandboxing sont encore en cours de standardisation.

L’authentification inter-serveurs est un autre chantier : comment un agent authentifie-t-il ses appels vers des serveurs MCP distants de façon sécurisée et sans gestion manuelle de tokens ? OAuth 2.0 est la voie privilégiée, mais l’implémentation varie encore d’un serveur à l’autre.

Comment démarrer avec MCP en 2026

Le point d’entrée le plus accessible reste Claude Desktop, qui supporte nativement les serveurs MCP locaux via sa configuration JSON. En quelques minutes, vous pouvez brancher votre instance Claude Desktop sur un serveur MCP filesystem et donner à Claude l’accès à votre dossier de travail.

Pour les développeurs Python, le SDK officiel (mcp sur PyPI) offre une API propre et bien documentée. Pour JavaScript/TypeScript, le package @modelcontextprotocol/sdk est la référence. Les deux supportent le transport stdio (local) et HTTP+SSE (distant).

MCP : un standard qui va durer

Pour situer ce protocole dans une pile IA locale, consultez aussi notre guide complet sur Ollama. La logique est complémentaire : Ollama sert le modèle, tandis que le serveur MCP lui fournit des capacités. Notre article sur le vibe coding montre également pourquoi ces connexions intéressent les développeurs.

En 2026, MCP a passé le test de la survie en milieu hostile : adoption massive, concurrence (Microsoft a proposé son propre standard avant de rejoindre MCP), et gouvernance ouverte. Il a toutes les caractéristiques d’un standard qui s’installe durablement dans l’écosystème.

Comprendre MCP aujourd’hui, c’est se positionner pour les deux prochaines années de l’IA agentique. C’est le socle sur lequel sont construits les agents les plus avancés , et comprendre le socle est toujours la meilleure façon de comprendre ce qu’on peut construire dessus.

Sources :

Implémenter un serveur MCP en Python : guide pratique

Créer un serveur MCP personnalisé est plus simple qu’on ne le pense. Le SDK Python officiel d’Anthropic (`pip install mcp`) expose une interface claire pour définir des outils que les LLMs pourront appeler. En moins de 50 lignes, vous créez un serveur qui expose vos APIs métier comme des outils MCP , votre CRM, votre base de données produits, votre système de tickets.

from mcp.server import Server
from mcp.server.stdio import stdio_server
from mcp.types import Tool, TextContent
import httpx

app = Server("mon-serveur-crm")

@app.list_tools()
async def list_tools():
    return [
        Tool(
            name="get_client",
            description="Récupère les infos d'un client par son ID",
            inputSchema={
                "type": "object",
                "properties": {"client_id": {"type": "string"}},
                "required": ["client_id"]
            }
        )
    ]

@app.call_tool()
async def call_tool(name: str, arguments: dict):
    if name == "get_client":
        async with httpx.AsyncClient() as client:
            r = await client.get(f"https://mon-crm.com/api/clients/{arguments['client_id']}")
            return [TextContent(type="text", text=r.json())]

if __name__ == "__main__":
    import asyncio
    asyncio.run(stdio_server(app))

MCP en entreprise : sécurité, authentification et gouvernance

L’adoption de MCP en entreprise soulève des questions légitimes de sécurité. Quand un LLM peut appeler vos outils MCP, il peut potentiellement accéder à des données sensibles, modifier des enregistrements, ou déclencher des actions irréversibles. La spécification MCP prévoit des mécanismes d’autorisation OAuth 2.0 pour les serveurs HTTP, permettant de contrôler finement quels clients peuvent accéder à quels outils.

La gouvernance des agents MCP passe par une journalisation exhaustive : chaque appel d’outil doit être loggé avec l’agent qui l’a effectué, les arguments passés, le résultat retourné, et l’utilisateur humain derrière la session. Cette piste d’audit est non seulement bonne pratique, mais souvent obligatoire pour la conformité RGPD (si les outils accèdent à des données personnelles) ou NIS2 (si les systèmes sont critiques). Anthropic et OpenAI travaillent avec des RSSI d’entreprises pour définir les meilleures pratiques de déploiement MCP en environnement régulé.

Une architecture MCP production inclut : un registre central des serveurs MCP disponibles (avec versioning), un proxy d’authentification (valide les tokens OAuth avant de router les requêtes), des rate limits par agent et par outil, et des sandboxes d’exécution pour les outils à risque (manipulation de fichiers, exécution de code). Les équipes DevOps qui gèrent des agents IA en production traitent les serveurs MCP comme des microservices , avec les mêmes standards de fiabilité, monitoring et déploiement.

FAQ sur les serveurs MCP

À quoi sert un serveur MCP ?

Un serveur MCP expose des outils, des ressources ou des modèles de consignes à une application d’IA. Il fait le lien entre le modèle et un service comme une base de données, un dépôt Git ou une API métier.

Quelle différence entre MCP et une API classique ?

Une API classique décrit ses routes pour un développeur. MCP ajoute un format standard de découverte et de description compréhensible par un client IA. Le serveur reste toutefois une API et doit appliquer les mêmes contrôles d’accès.

Un serveur MCP est-il sécurisé par défaut ?

Non. MCP ne rend pas automatiquement un outil fiable. Limitez les permissions, vérifiez les entrées, journalisez les appels et demandez une approbation humaine pour toute écriture, suppression ou exécution de code.

Quel transport choisir pour commencer ?

Choisissez stdio pour un serveur local lancé par une application cliente. Utilisez HTTP pour un serveur distant partagé, avec authentification, chiffrement TLS, limitation de débit et contrôle précis des origines.

Peut-on utiliser un serveur MCP avec WordPress ?

Oui. Il peut exposer une lecture contrôlée des articles ou des outils d’administration. Commencez en lecture seule et utilisez un compte WordPress dédié avec le minimum de capacités nécessaires.

Sources officielles à consulter

N
· Développeur WordPress & fullstack · Expert IA

Natsou développe sur WordPress depuis plus de 10 ans. Développeur fullstack et expert en intelligence artificielle, il conçoit, débogue et sécurise des sites en production et automatise les workflows d'agence. Sur WP Admin Lab, il partage des procédures testées en conditions réelles : diagnostics reproductibles, correctifs vérifiés et retours de terrain, sans jargon inutile.

mastodon